谷歌無人車之父Sebastian Thrun：攝像頭才是無人駕駛最好的方式

全世界都在用雷達做無人駕駛，實際上攝像頭是最好的方式；只使用攝像頭，我們3個月做到了谷歌用很多年才做到的事情

新智元報道

來源：優達學城

編輯：聞菲

【新智元導讀】上周，Udacity（優達學城）創始人、斯坦福終身教授、Google X 實驗室創始人、被譽為「谷歌無人車之父的」Sebastian Thrun，在騰訊學院發表演講《人工智慧：離覺醒還有多遠？》分享了他對AI發展和無人車前景的見解。Thrun認為，無人駕駛的最終勝利者可能是一家傳統車企，此外，現在全世界都在用雷達做無人駕駛，實際上攝像頭是最好的方式。Thrun介紹了Udacity的學生做的一個程序，只使用攝像頭，3個月的時間，做到了谷歌用了很多年才做到的事情，「我覺得我們可以改變無人駕駛車的未來」。

Sebastian Thrun：謝謝主辦方邀請我到這裡，非常感謝騰訊以及騰訊大學為我們搭建了一個如此好的平台。我可以看到大家的T恤上寫著「如果你不學習就代表你不合群」，我特別喜歡這件衣服。

在座的都是特別有才華的人，我們在這裡不僅是為了怎麼做好一件產品，這個世界是在向前發展的，我們要攜手前行。

我今天作為Udacity的創始人的角色來跟大家分享，但是我今天更多想分享的是AI，我想在接下來的一段時間跟大家談一下關於AI的一些細節，如果大家有任何問題也可以隨時問我。

人工智慧發展：開發人員寫代碼的功能很快將被取代

如果大家去看最近的一些新聞，可能大家可以看到最經典的一個議題就是AI，特別是機器的深度學習，Udacity和騰訊正式簽約，在這方面深化合作，開展一些課程跟大家學習。

AI並不是什麼新鮮的東西，在上世紀50年代美國就有這個概念，在過去的60年沒有很多人特別在乎他，也就是在過去兩到三年，AI突然受到大家的關注。我們說AI，最重要的一點就是機器開始學習了，電腦可以開始自行學習可能是一個比較新鮮的事情，它是怎麼樣開始的？

如果大家像我一樣是做軟體工程的，可能大家是在研究怎麼解碼，怎麼寫代碼，可能會用很多的時間寫下非常複雜的一些代碼，然後希望把工作做得更好。作為軟體工程師，我們需要花大量的時間了解這裡面是否有一些bug，然後你的電腦能不能進一步做它應該做的事情。所以準確率要求非常高，這也是為什麼我們的工資相對是比較高的，因為一旦代碼做不好，電腦沒辦法使用。在座的諸位和我天天都在研究這些東西，一長串的代碼，每一個細節都要求是準確的。大家寫代碼的能力可能很快會被取代。

接下來我們是要教電腦怎麼學習，讓電腦知道什麼是狗，什麼是貓，告訴它有100萬隻狗、100萬隻貓，它要了解怎麼區分貓與狗。我們可以通過給它們看圖片來區分貓和狗的差異，這樣使它更像人。小時候你的父母會教你學很多東西，當時你並沒有辦法從父母那裡學到各種各樣的規則，世界充滿了可能性，需要小孩子去嘗試，小孩子會跌倒，在跌倒過程中不斷地學習經驗，現在我們處在一個新的時代，這個時代中計算機可以發現規律、發現模式，這樣它們就可以越來越聰明。

大家看這幅圖片，這是神經網路，神經網路在很多方面和人腦類似，左邊是一些圖片，這些圖片非常小，可能看不清，有一層又一層的神經元，神經元可以來處理圖片或者是圖像，從這些圖像中可以識別出人的表情，有一些人有鬍子，有些人在大笑，這就是我們的大腦分析信息的方式。我們的DNA非常少，通過一點點DNA可以定義我們是誰，在DNA中有重要的信息來幫助我們識別出各種差異的特徵，小孩子從牙牙學語，到後來掌握了語言，在這個過程中他們不停地吸收新的信息、新的語言，逐步地適應，我們也要讓神經網路這樣發展。

1995年我做我的博士論文的時候，還沒有人研究這樣的網路，當時計算機的計算能力非常弱，數據集也非常小，我當時用了很少的圖片來訓練網路——現在你可以用5億張圖片來訓練你的網路，但是在當時我的信息和資源非常有限。大家看這些圖片，左邊是老鼠的大腦，右邊是人的大腦，一個小的網路學不了多少東西，就像老鼠的大腦，它比人的大腦小很多，1995年的時候，計算機的能力很弱，沒法學到很多的東西，現在計算機非常強大了，可以學到更多的東西，可以分析更多的信息，在未來可能更加瘋狂。

人工智慧應用：自動檢測皮膚黑色素瘤，達到耶魯、哈佛醫生水平

我們來看一些例子。我最喜歡的一個例子來自谷歌 DeepMind。我在上學的時候，國際象棋對AI來說是非常難的，在我上高中的時候，也就是上世紀80年代的時候，AI沒法打敗人類的國際象棋冠軍，1997年IBM做出了深藍，打敗了當時的國際象棋世界冠軍，這個新聞在當時是非常有轟動性的。後來人們轉向了圍棋，圍棋更複雜，在圍棋中變化的可能性比宇宙里的原子還多，人們以為計算機不可能在下圍棋時打敗人類。2016年，深度學習的系統打敗了人類選手。不過，需要指出，現在我們要設計規則給機器還是很難的，要給機器提供無數的數據幫它們去學習。同時，人類可以同時玩很多種遊戲，而AI現在是專用的，圍棋的AI就只能下圍棋。

再看另外一個例子，在醫療方面也可以用AI，醫療是一個非常專業的領域，要當醫生，就要花很多的時間培訓，學習很多知識，每一名醫生都是一個專家，即使在醫學中某一個分支要做得很好，也需要很多年的學習。醫療領域技術要求最高的是皮膚病領域，皮膚病領域的專家的薪酬特別高，他們會研究人的皮膚的每一個狀況，黑色素瘤以及其它的皮膚癌症都可能帶來嚴重的生命威脅。這裡面需要做出很多的決定，這些皮膚病專家要做出人命關天的決定，在美國，這樣的醫生一年的薪水可達40萬美元，他們賺錢非常多，通常比一些CEO的工資都高。但是，這些皮膚病醫生每天的工作很無聊，要用放大鏡來看人們皮膚上的斑紋，這不是我想做的工作。

零級的黑色素瘤是沒有什麼傷害的，到了四級的時候就非常嚴重了，可能會擴散到其它的器官中，只需要8到10個月就可以擴散到全身，這時候你的狀況非常糟糕，四級的黑色素瘤可能會危及到生命。在斯坦福我們和一些學生討論，我們用AI來試圖打敗人類的皮膚病專家，我的學生髮現了一些規律，他們找到了很多的圖片，總共找了13萬幅皮膚病的圖片，這些圖片後來都拿來做計算機訓練，這些實際上是一些切片的圖片，切片就是用來判斷人是不是有癌症的，實際上這些圖片非常難分類。

這裡前5幅是良性的，不會威脅生命，下面這些是惡性的，如果不治療的話，會出人命。這些圖片就可以用來訓練我們的計算機系統。要進行分類實際上有很多困難，哪些圖片代表惡性的，哪些圖片代表良性的，這就是皮膚病專家專業知識的價值所在。大家看這些邊界，這些邊界是模糊的，但是模糊的邊界也有不同的特徵，在不同的邊界狀況下，我們可以做出不同的診斷，判斷出是不是會威脅到生命。

我們訓練一個神經網路，你可以接觸到關於皮膚病或者皮膚癌症的各種各樣的信息，你可以拿到很多的信息，這些信息可能並不是相關的，在這幅圖上，或許你可以找到所有的皮膚癌症，但是特異性如果是0，意味著特異性不足，這種情況下就不會造成皮膚癌。如果超過某個邊界之後，你會發現更多的皮膚癌症，而有時候在這裡你會發現一些誤判，這些狀況並不是皮膚癌症。有時候我們會有一些說法，A類和B類的誤差，或者是敏感程度的誤差，實際上有一系列的答案，在這些答案裡面我們要判斷，有不同的程度。我們看這個曲線，如果你看到門限在這兒，你會發現有20%的是誤判，也就是把皮膚癌判斷成非皮膚癌。

我們在研究中做了這樣的分析，我們按照理想的狀況，希望用它來檢測皮膚癌應該在最右上角這個地方是最好的，在這裡我們可以找到所有的皮膚癌的狀況，如果是這樣的對角線的狀況，效果就會差很多，會成比例的下降。對角線的狀況下就會丟失掉很多的正確信息，我們希望能在右上角。當時我想我們是不是可以寫一篇非常好的論文，我作為核心作者。

如果你理解我剛才說的特異性和敏感度，這裡的演算法實際上是需要改進的，這裡的假陽性可以大幅的減少，如果演算法在右邊，我可以將假陽性的比例降低4倍。我們希望大幅降低假陽性，這樣才可以拿到好的結果，如果假陽性太高，這個系統是不好用的。我們做了一些測試，來看看結果是怎麼樣的，我們發現有些特別好，有些非常糟糕，然後有一個平均值在中間。

我們做的是黑色素瘤的研究，黑色素瘤非常危險，大家不希望它出現在左邊這個狀況，在這種狀態下有8%左右的誤差，這是哈佛、耶魯這個等級的皮膚病專家的表現，大家都希望這樣的專家給你看病，人工智慧可以實現這樣的水平。

「現在全世界都在用雷達做無人駕駛，實際上攝像頭是最好的方式」

我們再看無人駕駛方面的內容，我們Udacity提供的一些納米學位的課程裡面也會涉及到無人駕駛汽車的內容。

在Udacity我們為人們編織美好的夢想，我們提供的課程是非常全面的，我們會培養無人駕駛汽車工程師，我們與很多車商有合作，我們為他們直接培養人才。我們培養了很多無人駕駛汽車工程師，提供的工程師數量比所有大學培養的數量都要多。

這是用深度學習來做的一個結果，其實跟谷歌做的有點相似，這個是用了一個攝像機，看看在哪裡走，谷歌一般是用雷達系統。測試時，如果結果不是很好的話，我們就會用上更多的數據，獲得更多的細節。之前我在谷歌壓根做不了這個事情，但是作為Udacity的學生，有很多聰明的學生，我給他們一個挑戰，就是讓他們只是拿一個很便宜的攝像頭安裝在車上，讓這個車開在照明不太均勻的地方。

這是我們獲取的結果，這些數據對我來說，我看到都覺得很難，我們給了學生大概48個小時，看誰可以獲得一個最好的表現。我們可以看到這個方向盤，只連接了一個攝像頭就可以駕駛，這種無人駕駛的車，在中國可能百度會做相關的研究，可能騰訊也在做相關的軟體。現在大家都在用雷達系統做無人駕駛汽車，其實用攝像頭是最好的方式，這樣的成本是最低的，而且因為人開車是用眼睛看的，所以這樣也更接近現實。我們給學生提出挑戰，你能不能只用一個攝像頭來實現無人駕駛，這是我們的學生交的一個作業。

我從2003年就開始做無人駕駛汽車了，我從來沒有見過用一個攝像頭可以實現這麼多功能，它可以把每個細節都進行分類，把這個東西放在無人駕駛汽車上面，讓它自動駕駛，它的成本並不高，而這只是一個開頭，這也是我們很多很厲害的學生把他們的結果發到Udacity上，使我非常震驚。

大概我們做了三個月的測試之後，有一個團隊做的無人駕駛車，在舊金山的上下班高峰期，用無人駕駛的車開過了繁華的道路，經過了100多個紅綠燈路口。Udacity的學生做的這個程序，3個月的時間，他們做到了谷歌用了很多年才做到的事情，而我們只是用一個攝像頭就能搞定。

所以，我覺得我們可以改變無人駕駛車的未來。

誰會被AI取代？只要工作有一定的重複性，就能找到一個系統來超越

作為AI很重要的一點，它並沒有被所有人所了解，AI可以做很多人類需要做的事情，基本上每一個人類需要重複做的事情，AI都可以幫助人類去做，如果你是一個醫生，你說AI跟我沒關係，肯定是售貨員會被取代，但是我可以告訴大家，剛剛展示出來的一個醫療系統的AI，對於一個有12年的經驗的醫生來說，只要他做的工作有一定的重複性，我就可以找到一個系統來超越他。所以這樣一個革命有可能比重要革命更重要，它可以把人類的工作方式進一步變革。

接下來可能是誰會被取代？可能計程車司機會被取代，因為無人駕駛汽車會改變美國10%的交通系統。還有貨櫃車的司機，飛行員也有可能被取代，有些時候在惡劣的天氣下，可能無人駕駛的程序駕駛飛機比人員駕駛更穩定。還有醫生、律師也有可能被取代，現在已經有AI系統用來做一個合同，這些已經可以取代律師做的工作。還有會計、信息搜索員、工程師，像在座的諸位，您的工作是否有重複性，有沒有可能被AI所學習？還有CEO會被取代嗎？我的工作是不是有一定的重複性？可能我不會被取代，然而我還是期待，有一天AI可以取代CEO 90%的工作，如果它能取代我90%的工作，我可能會更要效率地管理企業，賺更多的錢。

重點是，重複性的工作真的很無趣，很多時候我們會通過不停地做重複工作讓自己的能力越來越差，因為人類希望可以得到更好的東西，我們希望可以創造更好的事情，很多時候在做重複性工作做多了之後，你的創新能力就會下降。大家可以想想，當年你們是在不停地農耕，現在我們在做什麼？我們的創意比老一輩要多多少，為什麼這種創意要停止呢？

想到AI我就非常興奮，因為這是目前最重要的事情，它對我們會有很大的影響，我是特別樂觀的人，我不覺得做重複性的工作一定很爛，但是你也可以有創新，現在我們的供水系統、汽車、飛機，在座諸位的手機，以及我們的社交軟體，在150年內我們就創造出所有的這些東西，所以我們想想，我們可以有多大的幾率再弄更多的東西？為什麼我們還沒解決癌症的問題，為什麼我們還沒創造出一個會飛行的汽車？可能過幾年就會有，我們真的要從重複性的工作當中解放自己的天性，解放自己的創意，利用AI來幫助我們。

非常感謝大家的聆聽。

無人駕駛的最終勝利者可能是一家傳統車企

以下部分節選自Q&A環節的整理。

提問：您說蒸汽機代替了人的體力勞動，AI會替代我們的腦力勞動，如果AI真的開始的話，下一個革命是什麼？

Sebastian Thrun：一兩百年前我們讓人變得更強大，我們可以做更多的農耕工作，我們就可以做更多有意思的事情，可以讀書、可以寫作，今天我們還可以有更多的時間做辦公室的工作，如果有AI來幫我們，我們就會有更多的時間，我們可以用這些時間再去做別的創新。AI能處理的下一個問題是什麼我並不知道，可能要等20年之後我們再來聊。AI可以改變社會、改變人類，之前沒有這樣的情況發生，未來很難想像。

提問：什麼樣的公司可能會在無人駕駛這個領域做得非常好？是一些傳統的車商，比如寶馬、比亞迪，還是網路公司，比如說騰訊、百度這類的公司。無人駕駛領域，哪種公司會取得勝利？

Sebastian Thrun：這個問題問得非常好，你說哪個公司最終會取得這場競爭的勝利，究竟是寶馬還是比亞迪，或者是騰訊、谷歌這類公司，現在我很難預測誰會勝利，我的想法是基於美國的狀況得出的，中國的狀況可能有所不同。

有件事情出乎我的意料，在汽車方面的創新並不是OEM車商來引領的，並不是寶馬、比亞迪這樣的公司，他們有很多的專業知識，他們的商業模式也很好。百度、Uber、滴滴、騰訊等等這樣的強大的技術公司也在趕上，但是這並不意味著騰訊一定可以從無人駕駛汽車中賺取很多的利潤，其它公司也在一起做，最終可能賺不了太多錢。

對我來說，勝利者可能會是一家傳統車商。你看看交通方面的經濟細節，在美國你買一輛車，一英里的成本大概是60美分，如果打車是2.5美元，如果坐Uber是1.5美元，滴滴大概是1美元，Uber和滴滴比打車的成本低很多，這些出行的模式會降低很多成本，比計程車的成本更低。在城市裡面你到底是自己買車，交停車費，還是去乘坐無人駕駛汽車，這些車可以將你帶到你想去的地方，這些車的大小也可能根據需求不同而不同，有可以坐很多人的車，也可以有隻坐兩個人的車，交通系統會發生很大的改變，人們會有很多創意的方案，拼車會有非常大的潛力。

在無人駕駛領域，我覺得騰訊或者百度並不一定能賺取很多的利益，大家看看谷歌賺了多少錢？你用過去的思維看未來，這是比較危險的，騰訊不應該只關注在這個領域，我們可以關注一下家庭計算領域，比如說亞馬遜在這方面已經做得非常好了，我們需要為這些領域帶來新的解決方案，我們不應該僅僅考慮過去的狀況，人們不一定總是買車，但是人們買房也是很常見的現象，我們應該更注重人們在家裡的各種技術需求，人們希望有能力四處移動，這時候我們要提供非常好的交通移動解決方案。我們再看微信，這是一個很好的例子，微信上有很多的服務就是很好的整合。

OEM車商如果和我交流，他們可能也不相信我說的這些話，大家的觀點都各不相同，這是非常好的現象，我們可以討論。

提問：在未來AI是不是可能發展到機器有自己情感的程度？

Sebastian Thrun：這個問題很有意思，人們總是問我，為什麼不讓機器人有感情或者說情感？舉個例子，你家有洗碗機，它實際上是機器人，可以幫你洗碗，我非常喜歡這種機器，你進到你的廚房裡，洗碗機可能說，「我愛上冰箱了，你對我不好，我不想和你在一起」。我故意說這樣一個笑話，如果機器有情感，就可能有這樣的現象出現。

這樣的機器是對於人類生活的補充，如果我的車有情感，我要對它非常好，否則我會出現生命危險，這是非常不好的。實際上在人類設計AI的時候，我們並不希望它們有情感，因為這樣是非常危險的。這件事情我們一直在思考，成功的技術總是會給我們帶來幫助，而不是來威脅和取代我們。如果微信變得像人一樣，或者說有非常豐富的情感，那你可能會非常恐懼。如果車有情感，它是不是可以想跑多快就跑多快呢，就像有腿一樣。如果我造的一輛車就像我一樣有兩條腿，也有情感，這樣的車對我們有什麼意義呢？我想重複一點，這些技術、這些系統對我們的生活、對我們的社會、對我們的世界是一種補充，我們不希望它們有情感。

提問：我想問您一個關於機器人的問題，您怎麼看待機器人的未來？

Sebastian Thrun：機器人是一個很有意思的事情，基本上過去20年一直存在，美國的很多大學特別熱愛機器人，如果你是一個機器人公司，可以來找我們，我們想想要解決的事情，然後找最好的解決方案，最重要的是要做一個好的應用。在機器人領域，無人駕駛汽車就是機器人的一種，我看了很多比較基礎的項目，像家庭的應用，以及亞馬遜這樣的大型的機構都會用到機器人，機器人會應用到很多的領域和功能當中，這是可以改變社會或者改變工作規則的，所以對於機器人的未來我們還是非常樂觀的。

提問：您剛才說AI是可以幫助我們做很多重複性工作的，作為非重複性工作，現在在谷歌是否有相關的AI的研究？

Sebastian Thrun：AI做重複性的工作是做得非常好的，可能我說的也不對，但是目前AI還沒有看到可以做非重複性工作的可能，以後可能會有新的發展，但是暫時AI還打破不了這樣的瓶頸，就是做不重複的東西。

提問：現在谷歌是否有用AI來解決一些環保的問題？環境保護是否可能成為一種指數或者指標來判斷技術的好壞？

Sebastian Thrun：環境保護其實不是AI要解決的問題，它是一個社會問題，可能沒有任何科技可以幫我們解決。在環境污染的情況下，可能有人會付出很多代價，但是也有人獲益，所以環保是一個社會問題，它不完全是一個科技問題，如果讓破壞環境的人付出他應有的代價，這樣才能改善環境。哪怕谷歌他們創造一些可以改善空氣的技術，但是有些人也不一定會用，所以它不是一個科技的事情。像我住在矽谷，我們會有很多很新奇的東西，我們會有好多不同的科技，科技不是解決方案，科技只是解決方案的一部分，社會才是提供解決方案的最關鍵的一環，可能需要花些錢了解一個解決方案，科技只是一個環節而已。

***

此次Sebastian Thrun博士的騰訊之行，是由於Udacity（優達學城）與騰訊正式簽約，達成深度合作。今後，騰訊工程師將在Udacity平台上用矽谷最前沿的技術課程實現自我升級。騰訊學院院長及騰訊大學負責人馬永武表示，騰訊已經做好準備，加入到席捲全球的人工智慧競賽中。

【號外】新智元正在進行新一輪招聘，飛往智能宇宙的最美飛船，還有N個座位

點擊閱讀原文可查看職位詳情，期待你的加入~

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！